我正在尝试使用speedglm来实现比glm更快的GLM估算，但是为什么它甚至更慢？
set.seed(0)
n=1e3
p=1e3
x=matrix(runif(n*p),nrow=n)
y=sample(0:1,n,replace = T)
ptm <- proc.time()
fit=glm(y~x,family=binomial())
print(proc.time() - ptm)
# user system elapsed
# 10.71 0.07 10.78
library(speedglm)
ptm <- proc.time()
fit=speedglm(y~x,family=binomial())
print(proc.time() - ptm)
# user system elapsed
# 15.11 0.12 15.25
最佳答案
speedglm优于glm的效率是将n * p模型矩阵简化为p * p矩阵的方式。但是，如果您有n = p，则没有有效的减少方法。您真正要检查的是n >> p大小写。
在Fisher计分的每次迭代中，从计算复杂性上获得更多洞察力。
对glm矩阵使用QR分解的n * p需使用2np^2 - (2/3)p^3 FLOP，而speedglm形成n * p矩阵的叉积的叉积，然后对p * p矩阵进行QR分解，则涉及np^2 + (4/3)p^3 FLOP。因此，与n >> p一样，speedglm仅具有glm的计算量的一半。此外，speedglm使用的分块，缓存策略可以更好地利用计算机硬件，从而提高性能。
如果您有n = p，您会立即看到glm占用了(4/3)p^3 FLOP，但是speedglm占用了p^3 + (4/3)p^3 FLOP，更昂贵了!实际上，在这种情况下，矩阵叉积变成了剪切开销!
关于r - 为什么 `speedglm`比 `glm`慢？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/44207949/